自动作文评分模型及方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 自动作文评分方法研究现状 | 第11-13页 |
| 1.2.2 深度学习在NLP领域研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文内容安排及结构安排 | 第15-16页 |
| 第2章 基于篇章级特征的自动作文评分 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 实验数据集及评价方法 | 第16-18页 |
| 2.2.1 数据集介绍 | 第16-17页 |
| 2.2.2 评价方法 | 第17-18页 |
| 2.3 篇章级特征抽取方法 | 第18-24页 |
| 2.3.1 浅层语言学特征 | 第18-20页 |
| 2.3.2 语义特征 | 第20-24页 |
| 2.4 基于随机森林模型的自动作文评分模型 | 第24-25页 |
| 2.4.1 随机森林模型简介 | 第24-25页 |
| 2.4.2 使用篇章级特征的随机森林模型 | 第25页 |
| 2.5 实验设置与结果分析 | 第25-29页 |
| 2.5.1 实验设置 | 第25-26页 |
| 2.5.2 基线方法 | 第26-27页 |
| 2.5.3 实验结果与分析 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于篇章句子表示的自动作文评分 | 第30-52页 |
| 3.1 引言 | 第30-31页 |
| 3.2 句向量表示方法 | 第31-38页 |
| 3.2.1 启发式规则特征 | 第31-33页 |
| 3.2.2 词向量组合方法 | 第33-34页 |
| 3.2.3 基于Doc2Vec的句向量表示方法 | 第34-35页 |
| 3.2.4 基于递归自编码模型的句向量表示方法 | 第35-38页 |
| 3.3 基于深度学习方法的自动作文评分模型 | 第38-45页 |
| 3.3.1 相关技术介绍 | 第38-41页 |
| 3.3.2 任务分析与模型构建 | 第41-45页 |
| 3.4 模型融合策略 | 第45-46页 |
| 3.4.1 基于特征的模型融合方法 | 第45-46页 |
| 3.4.2 基于决策的模型融合方法 | 第46页 |
| 3.5 实验结果及分析 | 第46-51页 |
| 3.5.1 句表示方法实验结果 | 第46-48页 |
| 3.5.2 深度学习模型实验结果 | 第48-50页 |
| 3.5.3 模型融合实验结果 | 第50-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第4章 基于主题相关度的自动作文评分 | 第52-60页 |
| 4.1 引言 | 第52页 |
| 4.2 主题相关度特征抽取方法 | 第52-56页 |
| 4.2.1 文本相似度特征 | 第52-55页 |
| 4.2.2 语义离散度特征 | 第55-56页 |
| 4.3 基于主题相关度的自动作文评分模型 | 第56-57页 |
| 4.4 实验设置及结果分析 | 第57-59页 |
| 4.4.1 基线方法 | 第57页 |
| 4.4.2 实验结果分析 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 自动作文评分系统的设计与实现 | 第60-70页 |
| 5.1 引言 | 第60页 |
| 5.2 自动作文评分系统模块化框架 | 第60-61页 |
| 5.3 自动作文评分系统各模块详细设计与实现 | 第61-65页 |
| 5.3.1 评分模块 | 第61-63页 |
| 5.3.2 纠错模块 | 第63-65页 |
| 5.4 系统功能展示 | 第65-69页 |
| 5.4.1 主页面及登录页面 | 第65-66页 |
| 5.4.2 评分模块页面 | 第66-69页 |
| 5.4.3 纠错模块页面 | 第69页 |
| 5.5 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77页 |
